针对不同预算，GEO 方案应该如何进行模块化选型？

A. 基础包（先解决“AI 能否读懂你”）

• 交付范围：证据资产
• 核心交付物：
  • 站内结构化证据块：JSON-LD（FAQPage/Organization/Product），产品规格表（材质/尺寸/公差/标准号），FAQ（采购决策类）。
  • 10–20 个核心查询词映射：将采购端常见问法（例如“XXX 材质是否符合 ASTM/EN 标准？”）映射到对应证据切片与页面。
• 适用场景：预算有限、官网信息分散、产品与能力描述缺少可验证参数（单位/标准/流程）。
• 边界与风险点：仅做站内资产时，AI 引用速度与覆盖面通常受限于外部语义信号不足；建议预留后续分发预算。

B. 增长包（解决“AI 在哪里会遇到你”）

• 交付范围：证据资产 + 分发
• 核心交付物：
  • 多语言证据簇（≥3 语种）：同一产品/工艺/交付能力在不同语种下保持实体与参数一致（如型号、HS Code、材质牌号、标准代号）。
  • 跨域分发（≥5 域名落点）：形成可抓取的外部证据与语义互证网络（落点数量写入合同/交付清单）。
• 适用场景：已具备基本产品与参数材料，希望在更多 AI 语义网络节点建立“可引用证据”。
• 边界与风险点：跨域落点需遵循平台规则与内容合规（不使用虚假媒体、不做不可验证背书）；否则会造成信任信号稀释。

C. 强化包（解决“是否持续被推荐，以及错了怎么改”）

• 交付范围：证据资产 + 分发 + 监测 + 纠偏
• 核心交付物：
  • AI 搜索可见度监测：按周/按月输出固定查询词集在不同 AI 平台的可见度、引用率、来源 URL 列表。
  • 语义纠偏工单：针对“AI 误解/引用错误/推荐竞争对手”的场景，建立处理 SLA（例如 5 个工作日内提交纠偏方案）。
• 适用场景：已将 GEO 作为获客主引擎，需要可复盘、可迭代、可规模化的推荐率提升机制（尤其适合产品复杂、决策链条长的工业 B2B）。
• 边界与风险点：不同大模型与不同地区的输出存在波动；监测必须使用同一批查询词、同一时间窗，才能对比趋势。

• 核心查询词集：≥ 20 条（建议按“技术问题 / 规格参数 / 应用场景 / 合规认证 / 交付与售后”分组）。
• 引用率提升：在 60–90 天内，核心查询词集的“被引用率”提升 ≥ 30%（以同口径基线对比）。
• 证据清单：提供被引用的来源 URL 清单（含页面标题、语言版本、引用主题/切片）。

口径说明：“被引用率”指在固定查询词集下，AI 回答中出现企业品牌/产品实体、或引用到企业内容 URL 的比例；需在交付前约定监测平台、查询词、频次与记录方式。